基于迭代神经网络的复杂结构模式的表示与分类方法研究

复杂结构模式的表示和分类计算是模式识别领域和诸多应用领域的研究热点，本项目拟系统地研究一类结合复杂结构化数据有向无环图（DAG-Directed Acyclic Graph）拓扑结构和分层统计特征，融迭代神经元结点于DAG的数学模型，解决复杂结构模式的表示和分类问题，具有重要的理论意义和广泛的应用价值。本项目的研究内容和意义主要有：.1)提出一种有监督学习的迭代神经网络，实现基于结构化迭代神经网络的复杂结构DAG分类方法，提出至少一种网络学习的快速算法。创新性地提出和证明结构化迭代神经网络用于DAG学习的收敛性以及计算复杂度问题。.2)提出一种非监督学习的自组织映射迭代网络，用于复杂数据DAG的非监督聚类；提出至少一种非监督学习算法，研究自组织映射迭代网络的规模和竞争学习过程与DAG拓扑结构的相关性。.3)构造模糊的迭代神经网络，完成复杂模式的模糊结构化特征表示和分类，提高分类的鲁棒性。